黑色素瘤是一种常见的皮肤恶性肿瘤,在过去的几十年里,其发病率一直在迅速增加,已成为严重威胁人类健康甚至生命的疾病之一。基于Bag-of-Features(BoF)模型的黑色素瘤分类方法可以有效地帮助皮肤科医生诊断皮肤疾病,近年来受到专家和学者的广泛关注。但是,传统的BoF模型是基于k-means无监督聚类算法来学习码书,由k-means产生的聚类中心不可抗拒地被特征较密集区域所吸引,其大部分聚类中心位于高密度区域,而只有少部分稀疏地散落在稀疏区域,容易导致分类精度不高。另外,由于k-means算法通过多次迭代求解最优解,整个过程比较耗时。基于上述分析,本文首先提出了一种基于特征相似性测量的码书学习算法,其次,基于该码书学习算法提出了一种黑色素瘤良恶性分类算法,主要工作如下:(1)提出了一种基于特征相似性测量的码书学习算法,我们利用线性无关和线性预测来衡量特征相似性,通过该算法学习的码书中的码字不受特征密集程度的影响,从而有效地克服了 k-mean算法产生聚类中心的高密度倾向性。同时,基于特征相似性测量的码书学习算法较k-means算法具有较低的时间复杂度。通过两个不同码书学习算法的码字分布实验对比,可以得出提出的基于特征相似性测量的码书学习算法能够获得更加完善的码书,且提高了黑色素瘤分类算法的分类正确率和效率。(2)提出了一种基于特征相似性测量码书学习的黑色素瘤良恶性分类算法。在该算法中,我们首先提取RGB颜色直方图和尺度不变特征转换(Scale-invariant feature transform,SIFT)特征用于描述黑色素瘤图像。特别地,为了减少由特征的直接融合导致码书学习的困难度,我们采用不同特征描述子的BoF直方图融合策略,将组合的BoF直方图向量输入支持向量机(Support vector machine,SVM)完成分类。(3)利用多种评价指标,我们将本文方法与现有多种黑色素瘤分类方法在两个公开的皮肤镜与非皮肤镜图像库上进行了一系列对比实验。实验结果表明,与其他方法相比,本文提出的黑色素瘤分类方法拥有较高的分类正确率和效率。与此同时,我们验证了本文提出的特征相似性测量码书学习算法的有效性。